Linear CKA

这正是当前医学基础模型评估体系的一个盲区。我们习惯用下游任务的分数来衡量模型好坏——分割Dice高就认为模型可靠。但下游性能是一个“终端过滤器”，它可能掩盖表示空间内部的剧烈变化。一个模型可以在伪影图像上输出看似合理的分割结果，但其底层特征已经发生了根本性偏移。当这个模型被迁移到新任务时，这种隐性脆弱性就可能突然暴露。目前，没有任何系统性研究告诉我们：不同的预训练策略、架构选择和领域专用化程度，究竟如何影响表示空间对MRI伪影的耐受能力。